Contributions à l'étude de la classification spectrale et applications

3.4 Segmentation d’images 109
A partir de ces résultats, nous observons que cette alternative a le même comportement, les
mêmes principales caractéristiques que la stratégie avec interface sur les deux exemples géométriques
:
– très bonne performance, plus grande que le ratio entre le nombre total de points et le nombre
maximal de points sur un sous-domaines ;
– la majeure partie du temps est consacrée à l’étape de clustering spectral ;
– le temps de l’étape de clustering spectral correspond au temps du processeur avec le maximum
de données.
Des remarques spécifiques à cette alternative apparaissent :
– les temps et par conséquent le speed-up et l’efficacité sont nettement meilleurs que ceux de
la stratégie avec interface avec un nombre équivalent de processeurs supérieur à 2 : pour
l’exemple des 2 sphères, avec q = 4 et N = 3560 points, le temps total est divisé par 9.3 et
pour l’exemple des 3 sphères, avec q = 12 et N = 15247, le temps total est divisé par 16.5 ;
– le temps est décroissant quand le nombre de subdivisions augmente à condition que le nombre
maximal de données sur une processeur décroisse. On observe, par exemple, qu’avec N =
4361 points et q = 12, le processeur avec le maximum de points a moins de points que son
équivalent avec q = 8. Ceci explique que le temps maximum pour un processeur soit plus
grand pour q = 12 que pour q = 8. Ceci explique aussi pourquoi la stratégie avec interface
plus performante que celle avec recouvrement sur les deux exemples pour un nombre équivalent
de sous-domaines égal à 2.
Remarque 3.15. Cette dernière remarque ouvre une réflexion sur comment diviser le domaine :
un découpage qui équilibrerait le nombre de points au sein des processeurs donnerait de meilleurs
résultats qu’un découpage géométrique automatique. Cependant, il faut veiller à ne pas trop localiser
l’analyse et à garder une cohérence avec les résultats théoriques développés au chapitre précédent.
Rappelons que ces données projetées dans l’espace spectral sont la discrétisation de fonctions propres
à support sur une seule composante connexe.
3.4 Segmentation d’images
Des exemples de segmentation d’images en niveaux de gris sont considérés. La parallélisation
donne lieu à approfondir les raisonnements développés au chapitre 1. En effet, cette stratégie de
spectral clustering avec recouvrement nous permet d’aborder des images de grandes tailles et étudier
une définition de l’affinité alliant à la fois les informations géométriques et les informations de
luminance. Ce genre d’exemples est bien formaté pour la stratégie en parallèle grâce à sa distribution
uniforme en coordonnées géométriques. Dans la suite, toutes les expérimentations numériques sont
testées sur Hyperion.
3.4.1 Boîte affinité 3D rectangulaire
L’approche par boîte 3D rectangulaire consiste à définir l’affinité entre deux pixel i et j par :
Aij = exp
− xi − xj2
σ 2 /2
où les données xi ∈ R 3 regroupant les coordonnées géométriques et la luminance. Un problème se
pose lorsque l’on assimile deux données de natures différentes. En effet, les niveaux de gris sont des
entiers appartenant à l’intervalle [|0, 255|] alors que les coordonnées géométriques dépendent de la
dimension p1 × p2 de l’image considérée. L’approche 3D doit pondérer l’influence des coordonnées
,